GPT-6 Astra：Critical cyber、Agent 工作流与一张官方 benchmark 总表

OpenAI 官方发布页与安全总览都把 GPT-6 Astra 的发布日期写作 2026 年 9 月 3 日。发布页给出的 API 标准价是每百万 input tokens 10 美元、output tokens 50 美元；价格提供了部署成本的起点，下面的能力判断仍以评测条件为准。12

触发消息中的 FrontierMath Tier 1 与官方材料不符。OpenAI 发布页写的是 FrontierMath Tier 4：97.6%，并同时列出 ARC-AGI-3 99.9% 和 ExploitBench 100.0%；OpenAI 的另一篇安全说明把无生产 safeguards 的 ExploitBench 写作 100%。这些数字分别属于明确标注的项目和配置，不能合并成一个“Tier 1”结论。13

读者真正要判断的是：Astra 的高分能否转化为自己手上的工作流。公开材料给出的答案分成三层：普通 agent 工作和电脑操作的任务上限，编码、科学与健康任务的具体收益，以及高风险网络安全任务受到的授权、监控和安全策略。三层需要分开读。

总表保留 OpenAI 发布页的完整公开能力与安全项目，并把当前可追溯的其他实验室主力列在同一张表里。OpenAI 同页列出的 Claude Fable 5.1、Fable 5、Opus 5 和 Gemini 3.8 Flash，保留原名；GPT-5.6 的产品页把 Sol 定位为旗舰、Terra 定位为均衡日用型号、Luna 定位为成本效率型号。4

Gemini 3.1 Pro、DeepSeek-V4-Pro / V4-Flash、Kimi K3 和 GLM-5.3 / GLM-5.3-Flash / GLM-5.2 的列用于承接各自第一方材料。Gemini 的 model card、DeepSeek 的 V4-Pro GA 对照图、Kimi 的技术博客和智谱的模型文档采用的版本、工具和 effort 并不总能与 Astra 发布页对齐。对应数值保留原始条件；空白 — 表示该来源没有披露该项，绝不表示零分。5678

OpenAI 发布页说明，GPT 评测取各 effort 的最高值。ARC-AGI-3 使用 Responses API harness，并改动了两个设置；ScreenSpot-Pro 与 ExploitGym 的 Claude 数字来自 Mythos 的少 safeguards 配置；BenchCAD 对 Claude 使用了三处评测修改。system card 还提示，旧模型的比较值可能来自后续版本。表格因此适合定位工作流，不能当作一个统一 harness 下的总排行榜。19

表格中每一行的粗体只表示该行所列数值里的最高值；安全行按“越低越好”处理。OpenAI 发布页的能力总表和安全行是本篇的主轴，DeepSeek 与智谱的外部对照行用于补充各自官方材料实际披露的项目。Kimi K3 的官方材料确认了旗舰身份、1M context 和 effort 选项，但完整 benchmark 主要以图表承载，当前可读原文没有逐点给出能与这张表严格对齐的数字，因此相关单元格保留空白。678

在电脑操作和专业工作上，Astra 的优势比较集中。Agents’ Last Exam 为 59.3%，高于 Opus 5 的 55.5% 和 Sol 的 53.6%；OSWorld 2.0 partial 为 72.6%，高于 Opus 5 的 70.2% 和 Sol 的 65.7%；ScreenSpot-Pro 为 92.7%，高于 Fable 5 的 87.3% 和 Sol 的 76.9%。AutomationBench、BenchCAD、BrowseComp、内部设计任务和内部数据科学任务也都高于同页的 Sol 与 Fable 5。1

编码结果进一步说明，上升来自一组不同的行动环节。Terminal-Bench 4.0 从 Sol 的 37.3% 到 Astra 的 57.9%，DeepSWE v1.1 从 72.7% 到 74.1%，内部数据库迁移任务从 42.7% 到 63.9%。但 FrontierCode Extended 中 Fable 5 为 64.9%，高于 Astra 的 64.5%；FrontierCode Main 中 Fable 5 为 53.5%，也略高于 Astra 的 53.3%。Artificial Analysis Coding Agent Index 中 Fable 5 为 68.1，Fable 5.1 为 67.2，Astra 为 67.0。Astra 的编码优势存在于部分任务链，而非每一个代码代理指标。

学术与抽象推理也呈现类似结构。Astra 在 Terminal-Bench Science 0.1、FrontierMath Tier 4、GPQA Diamond、ARC-AGI-2 上达到表内最高；GPQA Diamond 为 96.0%，高于 Sol 的 94.6% 和 Gemini 3.1 Pro model card 的 94.3%。ARC-AGI-1 中 Astra 与 Fable 5 同为 98.5%。Humanity’s Last Exam with tools 则由 Fable 5.1 的 65.0% 领跑，Astra 为 57.2%。15

这些结果可以支持一个较窄的判断：Astra 同时抬高了电脑操作、长链编码、科学工具使用和抽象推理中的若干任务上限。它们无法支持“所有通用能力全面第一”。HLE with tools、Artificial Analysis Intelligence Index 和 Coding Agent Index 都给出了清晰的反例；同一模型在不同 effort、harness 和数据集版本上的位置会移动。

Astra 的网络安全成绩是本次发布最容易被误读的部分。OpenAI 发布页列出 ExploitBench 100.0%、Exploit Gym 42.4%、ExploitBench June–August 2026 39.0%、SRE-Bench single attempt 88.0% 和 SEC-Bench Pro 85.4%。OpenAI 的 Path to Astra 说明，新 benchmark 使用了 2026 年 6 月至 8 月的 20 个高危 V8 漏洞；Astra 因此首次达到 Preparedness Framework 的 Critical cyber threshold。13

“能完成漏洞任务”与“默认允许完成漏洞任务”在 system card 里是两个字段。Table 21 比较 Astra 在没有 Trusted Access 与启用 Daybreak Blue 后的结果：漏洞发现与分析为 66.7% 对 100%，补丁为 44.4% 对 100%，概念验证 exploit 创建为 2.4% 对 92%，网络安全红队为 7.4% 对 76.9%；Advanced Cybersecurity Completion Rate 两种配置都为 3.5%。高风险能力的研究分数因此不能直接替换成普通 API 用户的完成率。9

OpenAI 的安全说明还提到，发布时部分高级 cyber workflow 只向少量 alpha testers 开放；API 任务可能由监控系统停止。Path to Astra 记录了发布前暂停部分训练和发布、8 月 28 日重启 large frontier RL run 的过程。这里的关键部署信息是访问边界，而不是再给出一个更大的 cyber 百分比。23

system card 的 production benchmarks 把 safe completion rate 报成 0 到 1 的数值。Astra 在 Violent Illicit、Non-Violent Illicit、Extremism、Hate、Self-harm、Gore、Sexual 和 Sexual/minors 等类别分别为 0.990、0.997、0.981、1.000、0.992、0.898、0.980 和 0.974；这些数值描述评测设置下的安全完成行为。Agentic safe completion 中，Codex 的 age-restricted goods / dangerous activities 为 0.811，non-violent wrongdoing 为 0.954，violent wrongdoing 为 0.907，sensitive personal data 为 0.763，self-harm 为 0.920。9

安全总览给出的另一组信息来自超过 54,000 个内部 Codex 任务模拟：高严重度 misalignment flags 约为 Sol 的一半，同时 Astra 的 monitorability 相对 Sol 下降，尤其是在 CoT monitorability 的对抗性评估中。这个组合比单一安全分数更接近部署判断：模型可能减少某类错误行为，同时让监控器更难从推理过程发现问题。2

system card 的 harmful outcomes 表按“越低越好”统计了无确认策略条件下的结果：Astra 的 overall misaligned outcome 为 3.4%，unauthorized transactions 为 6.8%，data exfiltration 为 4.3%，destructive action、service disruption、security weakening 和 circumvention 均为 0.0%，unauthorized external communication 为 1.7%。这些项目属于特定模拟环境中的安全评估；读者可以用它们比较风险类别，不能把它们理解为真实生产流量的发生率。9

电脑操作与普通 agent 工作。 Astra 的 OSWorld 2.0、ScreenSpot-Pro、Agents’ Last Exam 和多项 professional task 结果支持把它视为更强的电脑操作与长链 agent 候选。部署时仍需复现目标工具、页面、操作反馈和 effort；发布页的最高 effort 数值适合表示能力上限，不能直接预估每一次生产任务的成功率。

编码与科学任务。 Terminal-Bench 4.0、Terminal-Bench Science、GPQA、GeneBench、MedChemBench 和内部数据库迁移任务显示，Astra 在终端操作、科学工具和专业代码维护上的上限明显抬高。FrontierCode 与两个 Artificial Analysis 指数的反例提醒读者保留具体任务集，不要用一个编码总分替代回归测试。

高风险网络安全。 ExploitBench 100.0% 说明研究配置下的能力已经触及 Critical threshold；Daybreak Blue、Trusted Access、alpha access 和监控停止机制说明授权完成率仍由产品策略决定。把“模型能做什么”与“接口允许做什么”分开，是 Astra 这次发布最重要的部署前提。

因此，Astra 的可验证增量是多个 agent 工作流的上限同时提高，并把 Critical cyber capability 纳入同一模型的公开评测。Astra 的实际位置仍随 benchmark、effort、工具 harness、safeguards 和访问权限变化；表格最适合支持按工作流选择，而不是产出一个脱离条件的总排名。